准确、可靠的水文预报是水资源开发利用的基础。如何进一步提高预报精度,同时准确量化或表征预报的不确定性,是现阶段水文预报领域的热点和难点问题。集合概率预报以概率或区间的形式表征预报的不确定性,是未来水文预报的重点发展方向。因此,开展水文集合概率预报研究,对于科学指导水库运行调度,充分发挥水资源的综合利用效益,具有重要的理论意义和实际应用价值。本论文以汉江上游黄金峡水库入库径流集合概率预报为研究对象,在构建多个单一预报模型的基础上,提出了一种基于多模型随机组合的径流集合概率预报方法（SCMM）。将SCMM方法与贝叶斯模型平均（BMA）方法进行对比,以论证所提方法的合理性和有效性。论文主要工作及结论如下:（1）搭建了涵盖线性与非线性,白箱与黑箱,物理概念与数据驱动的多种径流预报模型。采用多方法筛选预报因子,构建人工神经网络模型（BP）、多元线性回归模型（MLR）、支持向量机模型（SVM）、随机森林模型（RF）、极限学习机模型（ELM）、径向基神经网络模型（RBF）、两参数月水量平衡模型（TPWB）7种单一确定性预报模型,采用平均绝对误差（MAE）、纳什效率系数（NSE）、均方根误差（RMSE）、平均百分比误差（MAPE）,以及拟合优度系数（R2）作为确定性预报评价指标以评定预报结果。结果表明:7种模型在检验期中NSE均在0.65以上;拟合优度系数R2在0.80以上,其中SVM、ELM的NSE最优、TPWB的NSE最差。ELM检验期的RMSE、MAE、MAPE分别为81.5m3/s、49.3m3/s、0.41%,综合误差最小;TPWB分别为102m3/s、72.2m3/s、0.8%,综合误差最大。（2）构建了基于BMA方法的径流集合概率预报模型。采用MCMC-DREAM抽样算法计算模型参数的后验分布,通过DREAM算法估计模型的最佳参数。采用平均相对区间宽度、区间覆盖度和连续排位概率评分作为集合概率预报结果的评价指标,对比了基于同参数方差正态分布、异参数方差正态分布以及伽马分布三种分布作为后验分布的BMA模型。结果表明:基于同参数方差正态分布构造的BMA模型RMSE最高;异参数方差正态分布构造的BMA模型在三个模型中RMSE最低。相较于确定性预报模型中最优的ELM模型,BMA模型的RMSE、MAE略低于ELM,但拟合优度系数R2优于ELM。（3）构建了基于SCMM方法的径流集合概率预报模型。对单一确定性模型进行组合,并以随机加权方式建立集合预报模式,采用多目标遗传算法率定集合预报成员模型权重的上下限,最终得到预报样本和能够量化预报不确定性的预报区间。结果表明:SCMM模型的区间覆盖度为95%,高于BMA模型（80%）,且SCMM模型的预报区间在低流量时较小,在高流量时较大,更能真实地反映预报的不确定性,SCMM模型的区间预报性能更优;SCMM模型的连续概率评分为4.37,BMA模型的为53.7,SCMM模型的概率预报性能更优。SCMM均值预报的RMSE为22.4 m3/s,BMA均值预报的RMSE为85.7 m3/s,SCMM模型的均值预报误差远小于BMA模型。尽管SCMM模型预报平均区间宽度高于BMA模型,但考虑到该集合预报方法结构简单、参数较少,区间及概率预报性能更优。因此,所提出的SCMM方法在实际作业预报中仍具有一定的竞争力。